工程塑料优异的介电性能和金属可替代性，使其成为5G建设的热门材料。对外观相近但性能不同的几种工程塑料的检测与定性分析，有助于工程塑料更好地应用于5G线路板和天线模块的制造。应用太赫兹时域光谱技术(THz-TDS)对几种常见的工程塑料PEEK、　PPS、　ABS进行光谱检测，分别得到三种工程塑料在太赫兹波段的光谱数据。通过快速傅里叶变换，将三种工程塑料的THz时域光谱进行转换，获取工程塑料在0.1～1.2　THz下的THz频域光谱，并经过计算提取出相应的吸收光谱。分析THz时域光谱可知，不同种类工程塑料的THz时域谱存在时间延迟线和振幅的差异，可以直观地显示出各种塑料间的差异，这表明工程塑料的THz-TDS分类识别具有一定的可行性。但由于同属工程塑料，在太赫兹波段上表现为峰位、峰值相近，且各个材料无明显的THz特征吸收峰，因此无法直接以指纹谱进行判定。鉴于此，研究将非线性工具卷积神经网络(CNN)应用于无明显特征吸收峰的工程塑料识别研究的可行性，通过对CNN的网络结构和重要权值参数的优化，提出了一种改进的CNN分类模型。该模型使用LeakyRelu激活函数，添加BN层，利用Adams梯度下降算法，保证分类器的鲁棒性，加快网络分类速度，提高太赫兹吸收光谱识别精度，同时可以有效地解决由于THz光谱数据量不足而容易陷入局部最优问题。并将该方法同传统的线性工具主成分分析-支持向量机法(PCA-SVM)进行对比。对比实验结果显示：改进的CNN分类模型平均运行耗时为0.15　ms,训练集准确率为99.6%,测试集准确率达到98.8%;相较传统的PCA-SVM分类模型，其分类效率大幅提升，同时测试集分类准确率提高了27.3%,训练集分类准确率提高了30.9%。研究结果表明：将THz-TDS与改进的CNN分类模型相结合，能够实现对上述三种工程塑料的精确鉴别与分类识别，为工程塑料的非接触快速无损检测和识别提供了新方法，也为其他无THz特征峰物质的识别与检测方法研究提供参考。